Günümüzde yapay zekâ denince, herkes yukarı ve aşağı akışı artık çok iyi biliyor. Depolama konuşulduğunda optik modüllere, malzemelere, ekipmanlara bakmayı biliyor; hesaplama gücü konuşulduğunda Nvidia'ya, elektriğe, soğutmaya bakmayı biliyor.

Ama robot denince, çoğu insanın algısı hâlâ Bahar Şenliği gecesinde birkaç adım yürüyebilen insansı robotlarda kalıyor, havalı buluyorlar; ancak bunun dışında robotların yukarı ve aşağı akışının ne olduğu, robot sektörünün "shiso yaprağı"nın ne olduğu, çoğu kişi söyleyemiyor.

Aslında robot endüstrisinin de kendi tedarik zinciri var ve giderek daha fazla alt sektöre ayrılıyor. Donanımı yapan var, modeli yapan var; ama sıradan insanların nadiren fark ettiği, robotların yetenek sınırını etkileyebilecek bir halka daha var: veri. Daha doğrusu, robotlara "uygulamalı deneyim" üreten veri.

Büyük modellerin yükselişinin çok basit bir ön koşulu var: internette zaten devasa miktarda metin, görsel, kod ve video birikmiş durumda. Model şirketleri başlangıçta bu verileri nasıl içeri alacaklarını, hesaplama gücünü nasıl genişleteceklerini, daha büyük modelleri nasıl eğiteceklerini çözmek zorundaydı.

Robotlar farklı.

Robotların doğal bir internet külliyatı yok. Robot kontrol öğrenimi için doğrudan kullanılabilir yörüngeler genellikle gözlem, eylem ve robot durumunu içerir; göreve bağlı olarak nesne durumu, temas bilgisi, başarı koşulları, görev anlamı ve kontrol frekansı da içerebilir. Gerçek veri toplama yavaş, pahalı, tehlikeli ve yüksek derecede belirli robotlara bağımlıdır.

İşte Axis Robotics'in doğuşunun arka planı tam olarak bu. 27 Temmuz'da bu Physical AI veri motoru şirketi, Hack VC liderliğinde, Nomad Capital, Pi Network Ventures, 10K Ventures ve birden fazla melek yatırımcının katılımıyla 12 milyon dolarlık tohum yatırım turunu tamamladığını duyurdu. Bu para, bir başka robot üreten ekibe değil, robotlara özel olarak "deneyim besleyen" bir ekibe yatırıldı.

Bu bağlamda, BlockBeats Axis Robotics kurucusu Chris ile röportaj yaptı; Chris'in yatırım ve danışmanlık sektörlerinde zengin deneyimi var.

Veri işinden robot veri açığına

BlockBeats sorusu: Axis'ten önce, ana girişimcilik ve kariyer deneyimleriniz nelerdi? Robotlara, Physical AI'ye ve robot verisine nasıl yöneldiniz? Burada girişim fırsatı olabileceğini fark etmenizi sağlayan somut bir dönüm noktası var mıydı?

Chris: Axis'i kurmadan önceki girişimcilik deneyimim bana büyük bir ders vermişti: veri seksi bir şey değildir, ancak genellikle tavanı belirleyen değişkendir ve bir şirketin en sonunda ne kadar yükseğe çıkabileceğini belirler.

2024'ün başı benim için oldukça kritik bir dönüm noktasıydı. O sıralar yapay zeka çok popülerdi, herkes modellerden, parametrelerden ve hesaplama gücünden bahsediyordu, ama ben giderek daha fazla sektörün "model odaklı"dan "veri odaklı"ya geçtiğini hissediyordum. Modeller elbette önemli, ama modellerin ilerleyip ilerleyemeyeceğini belirleyen şey genellikle veridir.

Beni gerçekten tetikleyen şey Surge AI adlı şirketti. 2020'de kuruldu, dört yılda geliri 1 milyar doları aştı, Scale AI'dan bile daha hızlıydı ve neredeyse hiç finansman almamıştı. Sürekli düşünüyordum: neden veri yapan bir şirket bu kadar hızlı büyüyebiliyor? Verinin akıllı çağdaki değerini hafife mi alıyoruz?

O dönemde NTU, Berkeley ve NVIDIA'daki arkadaşlarımla sık sık sohbet ediyor, akademi ve endüstrinin ön saflarındaki değişimleri dinliyordum. Yavaş yavaş çok net bir fikir birliği oluştu: model yinelemeleri hızlı, ama veri temeldir ve en zor, en standartsız, en çok göz ardı edilen katmandır. Büyük dil modellerinin ön eğitiminden son eğitimine, ardından Agent'ların ortaya çıkmasıyla yüksek kaliteli veriye olan talebe kadar, veri önemsizleşmiyor, tam tersine giderek daha karmaşık hale geliyor.

Bunun üzerine düşünmeye başladım: Physical AI da aynı yolu mu izleyecek? Fiziksel dünya, metin dünyasından çok daha karmaşık. Gerçek ortamdaki değişimler, sensör gürültüsü, çeşitli uzun kuyruk operasyonları ve farklı insanların kullanım alışkanlıkları, veri ihtiyacını katlanarak artırıyor. Physical AI'ın ihtiyaç duyduğu veri miktarı ve son eğitimde hataları düzeltmek için gereken senaryolar, bugünkü yapay zekanın yüz katı, hatta daha fazlası olabilir.

Ama o sırada "Physical AI verisini kim yapıyor?" diye sorduğunuzda, hemen söylenebilecek neredeyse hiçbir isim yoktu. Gelecekte yüz milyar dolarlık bir şirket çıkarabilecek bir alan, henüz gerçek bir zihin işgalcisine sahip değildi. Girişimciler için bu sinyal çok netti: girişimcinin tüm gücüyle yatırım yapmaya değer.

Bu yüzden 2025 yazından itibaren NTU ve UCB'deki arkadaşlarımla birlikte teknik yol haritası ve ürün formunu sistematik olarak tartışmaya başladık ve Axis Robotics de o aşamada gerçekten harekete geçti.

BlockBeats sorusu: Dışarıdan robotik sektörü konuşulduğunda genellikle önce donanım ve modellere odaklanılıyor. Peki Axis ekibi neden verinin, Physical AI'ın bu turunda ölçeklenebilir dağıtımı en çok sınırlayabilecek "mor yaprak" olduğunu düşünüyor?

Chris：Bu çok iyi bir soru. Büyük modellerin gelişimi bize çok doğrudan bir ilham veriyor: Bir teknoloji yolunun doğrulandıktan sonra, bir sonraki aşamadaki yetenek artışı genellikle veri, hesaplama gücü ve model ölçeğinin birlikte büyümesinden gelir. GPT-1'den GPT-3'e, büyük ölçekli ön eğitimin belirgin yetenek sıçramaları getirebileceğini gördük.

Ancak robot endüstrisi şu anda hâlâ çok daha erken bir aşamada. Bugünkü donanım ve algoritmalar aslında yavaş ilerlemiyor; çeşitli robot kolları ve insansı robotlar sürekli ortaya çıkıyor. Model yolları da yavaş yavaş yakınsıyor; örneğin VLA, görsel, dil ve robot hareketlerini birbirine bağlıyor; dünya modeli, bir eylem gerçekleştiğinde ortamın nasıl değişebileceğini öğreniyor; WAM ise gelecekteki durum tahminini eylem üretimiyle daha da birleştiriyor. Bu yönlerde çalışan insanlar var.

Sorun şu ki, bir robotun yalnızca laboratuvarda gösteri yapması değil, gerçek ortamda da gerçekten iş yapabilmesi, yani dil modellerinin o zamanki "GPT-1 anı"na benzer bir sıçramaya ulaşması için, çok daha büyük ölçekte gerçek dünya etkileşim verisine ihtiyaç var.

Bir benzetme yaparsak, bugünkü robotlar biraz sadece ders kitabından yüzmeyi öğrenmiş birine benziyor; teorik olarak her şeyi biliyor ama suya hiç girmemiş. Gerçekten yüzmesini istiyorsanız, farklı havuzlarda, farklı su sıcaklıklarında, farklı dalgalarda tekrar tekrar pratik yapması gerekir. Bu "suya girme deneyimleri" veridir.

Ama şu anda açık verinin ölçeği hâlâ çok küçük.

Open X-Embodiment, temsili açık veri setlerinden biri sayılabilir; 21 kurumu, 22 robot türünü ve 1 milyondan fazla yörüngeyi birleştiriyor. Kulağa çok geliyor ama internet seviyesindeki veri miktarıyla karşılaştırıldığında binde biri bile değil. Diğer açık veri setlerinin çoğu hâlâ birkaç yüz saat seviyesinde kalıyor.

Bu yüzden bizim değerlendirmemize göre, robot temel modellerini şu anda tıkayan şey mutlaka model yapısının kendisi değil, verinin ölçeği ve çeşitliliğinin çok geride kalmasıdır. Yeterince çok sayıda çapraz senaryo ve çapraz sektör gerçek verisi olmadan, en iyi model ve donanım bile yalnızca laboratuvarda dönüp durur. Veri bu aşamada süs değil, Physical AI'nin eşiği geçip geçemeyeceğini belirleyen kritik değişkendir.

BlockBeats sorusu: Axis'in ne yaptığını sıradan insanlara en basit, en net ve en dolambaçsız şekilde anlatabilir misiniz?

Chris: En açık ifadeyle söylemek gerekirse, Axis robotların sürekli olarak "uygulamalı deneyim" biriktirmesine yardımcı oluyor.

Bir robotu yeni işe başlamış bir stajyer gibi düşünebilirsiniz. Zekâsı yerinde ama hiçbir şey yapmamış. Onu usta bir çalışana dönüştürmek için sadece kullanım kılavuzu göstermek yetmez; kendi elleriyle iş yapması, hata yapması, birinin düzeltmesi ve tekrar denemesi gerekir. Bizim yaptığımız şey, bu deneyimleri sistematik bir şekilde üretmek.

Eğitim öncesi hazırlıktan, görev tasarımına, simülasyon pratiğinden gerçek dünya veri toplamaya, veri temizlemeden model eğitimi sonrası hata düzeltme ve sürekli iyileştirmeye kadar tüm zinciri birbirine bağladık. Ayrıca web tabanlı bir simülasyon platformu ve mobil cihazlar için veri toplama araçları geliştirdik; böylece sıradan insanlar da katılabiliyor. Evde kıyafet katlamak, masanı düzenlemek gibi günlük hareketler robotlar için öğrenme materyali haline gelebilir.

Kısaca özetlemek gerekirse: Axis, Physical AI'ye sürekli eğitim verisi sağlayan ve aynı zamanda hatalarını düzelten bir veri motorudur; robotların daha hızlı öğrenmesini ve daha az hata yapmasını sağlar.

"Uygulamalı Deneyimi" Robotların Eğitim Yakıtına Dönüştürmek

BlockBeats Sorusu: Sizce mevcut gömülü zekâ veri uçurumu için nihai çözüm nedir? Birinci şahıs verisi, teleoperasyon verisi ve simülasyon verisi—hangisi daha iyi?

Chris: Bugün sektörün en büyük zorluğu, veri ölçeği, senaryo çeşitliliği ve gerçek fiziksel uyumun aynı anda sağlanmasının çok zor olması. Gerçek fiziksel uyum derken, verideki hareket kurallarının gerçek dünyayla tutarlı olması gerektiğini kastediyorum; sanal ortamda çok iyi pratik yapıp gerçek makineye geçince "el alışkanlığı" kaybolmamalı.

Bir benzetme yapayım. Simülasyon teleoperasyon verisi, sürücü kursundaki simülatörde araba kullanmak gibidir. Eşik düşüktür, gerçek araba gerekmez; dünyanın her yerinden insanlar web üzerinden sanal robotları uzaktan kontrol ederek büyük miktarda eğitim verisi üretebilir. Ardından robot formunu, nesneleri, senaryoları ve görevleri rastgele birleştirerek çeşitliliği hızla yayabiliriz. Dezavantajı da açık: simülatör ne kadar iyi olursa olsun, gerçek yol koşulları değildir. Gerçek dünyadaki sarsıntılar, beklenmedik durumlar ve düzensiz yüzeyler simülatörde tam olarak yeniden oluşturulamaz. Model sanal ortamda öğrenir ama gerçek makineye geçince başarısız olabilir; buna "sanal-gerçek farkı" denir.

Birinci şahıs gerçek insan verisi, deneyimli bir sürücüye takılan bir kara kutu gibidir. Sıradan insanlar telefonlarıyla evde veya ofiste gerçek operasyonları kaydedebilir; görüntüde görsel ve dilsel bilgiler bulunur ve modelin insanların gerçekte nasıl çalıştığını anlamasına yardımcı olur. Ancak dezavantajı, görüntüde robotun hassas eklem verilerinin olmamasıdır; bu yüzden ince motor becerileri doğrudan eğitmek için yeterli değildir.

Gerçek makine uzaktan operasyon verileri, gerçekten yola çıkıp araç sürmektir. Yörünge hassasiyeti en yüksektir ve gerçek fiziksel etkileşime en yakındır. Özellikle modelin kendi operasyonu başarısız olduktan sonra insanın devralıp düzelttiği yörüngeler, model iyileştirmesi için son derece değerlidir. Ancak maliyeti de en yüksektir; gerçek makine ve insan gücü gerektirir, üretim kapasitesi sınırlıdır ve sınırsızca genişletilemez.

Axis'in fiili dağıtım stili

Bu yüzden cevap hangisinin daha iyi olduğu değil, üç veri türünün her birinin kendi işini yapmasıdır: simülasyon hacmi artırır, birinci şahıs görüşü modelin gerçek dünya bilgisini anlamasına yardımcı olur, gerçek makine uzaktan operasyonu ise hassasiyet kalibrasyonu ve kapalı döngü hata düzeltme sağlar. Üç veri türünü aynı sisteme entegre etmek, bu boşluğu gerçekten kapatmanın tek yoludur.

Bu nedenle "hibrit veri kaynakları, çift yönlü kapalı döngü motoru"nu geliştiriyoruz. Simülasyon uzaktan operasyon verileri ve birinci şahıs gerçek insan verilerini çift yönlü tedarik olarak kullanıyor, ardından Human-Gated DAgger ile birleştiriyoruz. Yöntemi çok doğrudan: model başarısız olduğunda insan devreye girip düzeltir, ardından düzeltme sonucu eğitime geri gönderilir. Böylece veriler toplama, temizleme ve artırma süreçlerinden geçerek birleşik görsel, dil ve eylem modeli eğitimine girer, ardından sanal-gerçek dağıtım, başarısızlık geri bildirimi ve veri tamamlama ile kendi kendine ilerleyen bir döngü oluşturur.

BlockBeats sorusu: Axis başlangıçta neden simülasyon verileriyle başladı ve şimdi birinci şahıs görüşü verilerine yönelmeye başladı? Bu stratejik yönde bir değişiklik mi?

Chris: Bu, aynı veri stratejisinin genişlemesidir. Physical AI kesinlikle veri odaklıdır ve verinin temel metriği miktar değil çeşitliliktir, çünkü çeşitlilik genelleme yeteneğini ve sağlamlığı belirler. Önce simülasyonu yaptık çünkü kontrol edilebilir, tekrarlanabilir ve değerlendirilmesi kolaydır. Görevler tasarlayabilir, senaryoları ve robot formlarını ayarlayabilir, toplama tamamlandıktan sonra yeniden oynatabilir, doğrulayabilir, eğitebilir ve test edebiliriz. Kendisi bir "dünya modeli" gibidir, gerçek dünyanın sanallaştırılmış halidir.

Birinci şahıs görüşü verileri gerçek dünyanın genişliğini tamamlayabilir. Son zamanlarda DreamDojo dahil araştırmalar, sektörün büyük ölçekli birinci şahıs videolarının insan davranışlarını ve dünya kurallarını öğrenmedeki potansiyelini daha da görmesini sağladı. Bu tür veriler, insanların araçları nasıl kullandığını, nesneleri nasıl işlediğini ve görevleri nasıl tamamladığını kaydeder ve bu davranışlar farklı ülkelere, sektörlere ve yaşam senaryolarına dağılmıştır; az sayıda laboratuvarın kapsaması zordur.

Simülasyon verileri az sayıda platform tarafından merkezi olarak üretilebilir, ancak birinci şahıs görüşü verileri doğal olarak dağınıktır ve küresel katkıda bulunanların ortak katılımını gerektirir. NVIDIA, DeepMind gibi önde gelen model şirketlerinin bu tür verilere olan talebi arttıkça, birinci şahıs görüşü verilerini küresel ölçekte sürekli olarak toplama, işleme ve doğrulama yeteneği önemli bir beceri haline gelecektir.

Daha da önemlisi, Axis için katkıda bulunan ağı, görev dağıtımı ve veri işleme ile doğrulama hattı yeniden kullanılabilir. Simülasyondan birinci şahıs verilerine genişlemek, yön değiştirmek değil, daha eksiksiz bir robot veri altyapısını tamamlamaktır.

BlockBeats sorusu: Axis'teki gömülü zeka veri toplama, işleme ve eğitim sürecinin tamamını bize anlatabilir misiniz?

Chris: Axis'te veri toplama ve işleme birbirinden kopuk parçalar değildir; tüm süreç uçtan uca kapalı bir döngüdür. Yakın zamanda yayınlanan Axis V2 bizim için kritik bir yükseltme oldu: eskiden Axis daha çok tek yönlü bir veri toplama istasyonuydu, şimdi görev üretimi, veri toplama, model eğitimi ve değerlendirme optimizasyonunu tek bir sistemde birleştirdik.

İlk adım soru üretmek. Simülasyon ortamında algoritmalar kullanarak robot gövdesi, hedef nesne, konum, görsel koşullar gibi değişkenleri birleştiriyoruz. Örneğin 10 tür hareket, 10 tür nesne ve 10 tür yerleştirme şekli birleştirildiğinde, görev çeşitliliği üstel olarak hızla artırılabilir.

İkinci adım görevi yapmak. Küresel katkıda bulunanlar basit web veya mobil arayüzler üzerinden simülasyon görevlerini tamamlayabilir veya mobil birinci şahıs uygulamasıyla gerçek dünyadaki operasyon süreçlerini toplayabilir.

Üçüncü adım değerlendirme ve işleme; bu en kritik aşamadır. Ham verilerde genellikle titreme, geçersiz hareketler ve doğal olmayan operasyonlar bulunur; önce temizleme, yumuşatma ve yeniden örnekleme yapıyoruz. Ardından RoboVerse ile aynı veri setini farklı simülasyon ortamları arasında aktarıyoruz; önce hafif web tabanlı toplanan simülasyon verilerini Isaac Sim'e taşıyıp yeniden oynatma ve veri artırma yapıyoruz, oynatma sırasında sahne malzemelerini, ışıkları, kamera açılarını ve fizik parametrelerini değiştiriyoruz. Aynı yemek tarifini farklı tencerelerde, farklı ateşlerde ve farklı malzemelerle yeniden yapmak gibi; tek bir ham veri birçok eğitim örneğine genişletilebilir.

İşleme bittikten sonra doğrudan büyük modele yüklenmez; başarı koşulu kontrolü, anomali filtreleme ve format birleştirme yapıldıktan sonra model eğitimine girer. Bir eğitim turu tamamlandığında, modelin simülasyon ve değerlendirme ortamlarında görevleri gerçekleştirmesini sağlar, hangi senaryolarda ve durumlarda başarısız olma eğiliminde olduğunu gözlemler ve bu zayıf noktaları yeni hedefli veri toplama görevlerine dönüştürürüz.

Model önce görevi bağımsız olarak yürütür; doğru yoldan saptığı anda katkıda bulunanlar devreye girer ve düzeltici eylemler sağlar. Bu düzeltme verileri yeniden eğitime girer ve modelin başlangıçta başa çıkamadığı durumları kademeli olarak öğrenmesini sağlar. Bu volan sürekli döner; veri, model ve robot yetenekleri birlikte yükselir.

Bu yüzden V2'nin anlamı yalnızca birkaç özellik eklemek değil; Axis'i bir "veri toplayıcı" olmaktan çıkarıp "modele zekâ kazandırabilen" eksiksiz bir sisteme dönüştürmesidir.

BlockBeats sorusu: Axis yakın zamanda Dataset V1'i yayınladı. Bu veri seti neden önemli ve somut olarak neyi kanıtlıyor?

Chris: Dataset V1'in en önemli yanı, yalnızca bir veri yığını eklemesi değil; ilk kez şunu doğrulamasıdır: çok sayıda sıradan katkıda bulunandan gelen simülasyon operasyonları, görev tasarımı, başarı kontrolü, filtreleme, yumuşatma ve veri artırma sonrasında robot ön eğitimi için faydalı sinyaller oluşturabilir.

V1, 207 operasyon görevi, 50.000'den fazla yörünge ve 60.000'den fazla görev ve senaryo varyantı içerir. Kamuya açık LIBERO-Plus değerlendirmesinde, tam AXIS verileriyle sürekli ön eğitim sonrasında π0.5'in genel başarı oranı 83,9'dan 88,8'e yükselerek 4,9 puanlık bir artış sağladı. Aynı veri hacmindeki RoboCasa kontrol grubu 57,5'ti. Bu en azından şunu gösteriyor: bu değerlendirme koşullarında model iyileşmesi yalnızca tek veri noktası sayısına değil, aynı zamanda görev, senaryo, bakış açısı ve bozucu koşulların yeterince çeşitli olup olmadığına da bağlıdır.

Bu yıl Dataset V2'yi yayınlayacağız; ölçeği genişletmeye devam edecek ve daha fazla robot formunu, görevi ve senaryoyu kapsayacağız.

BlockBeats sorusu: Axis bir verinin değerli olup olmadığını nasıl belirliyor? Değerlendirme kriterleri nelerdir?

Chris: Yalnızca bir verinin "toplanıp toplanmadığına" bakmıyoruz; sürekli olarak birkaç soru soruyoruz: temiz mi, yeni bir şey getiriyor mu, gerçek dünyada işe yarar mı ve modelin gerçek zayıflıklarını kapatmasına yardımcı oluyor mu?

İlk aşama kullanılabilirlik. Operasyon tamamlandı mı? Ortada takılma veya bağlantı kopması var mı? Eylem tekrarı yeniden üretilebiliyor mu? Cihaz gecikmesi, operasyon kayması veya nesnelerin birbirinden geçmesi gibi fizik yasalarına aykırı durumlar var mı? Ayrıca bu verilerle hafif bir model eğitip hızlı bir sağlık kontrolü yapıyoruz; bu aşamayı geçemeyen veriler eğitim havuzuna girmiyor.

İkinci aşamada yeni bilgi olup olmadığına bakıyoruz. Robotların en çok korktuğu şey, zaten çözdükleri soruları tekrar tekrar çözmektir. Bu yörüngenin sahnesine, nesnelerine, etkileşim yöntemlerine ve mevcut verilerden ne kadar farklı olduğuna bakarız. Nadir görülen sahne düzenleri, özel malzemeler, alışılmadık işlem yöntemleri ortaya çıktığında değer yüksektir. Çok sayıda tekrarlanan "kaldır ve bırak" elbette faydalıdır, ancak daha çok taban sayısını tamamlar. Gerçekten odaklanmaya değer olan, birden fazla nesnenin birbirini engellediği ve birkaç adımda tamamlanması gereken karmaşık görevlerdir; bu tür veriler modeli genelleme yapmaya zorlayabilir.

Üçüncü aşamada simülasyondan gerçeğe geçiş yapılıp yapılamayacağına bakıyoruz. Simülasyon verileri ne kadar çok olursa o kadar iyi değildir; önemli olan gerçek dünyadaki değişkenlerin hesaba katılıp katılmadığıdır. Işık değişirse ne olur? Malzeme değişirse? Sürtünme farklıysa? Kamera açısı eğriyse? Bu değişkenler ne kadar iyi çeşitlendirilirse, model gerçek makineye geçtiğinde "ışıkta ölme" olasılığı o kadar düşer. Bir simülasyon verisi her zaman aynı ideal koşullarda gerçekleşiyorsa, yalnızca temel ön eğitim için alt malzeme olabilir ve gerçek dünyaya aktarım değeri sınırlıdır.

Son olarak uzun vadeli iterasyona katkısına bakıyoruz. Model gerçek makinede hata yaptığında, insanın devralıp düzelttiği o kısa yörünge genellikle çok değerlidir—modelin tam olarak nerede eksik olduğunu bize net bir şekilde gösterir. Yeni görevler ve yeni makine türlerinden gelen tamamen yeni yörüngeler de aynı şekilde modelin yetenek sınırlarını hızla genişletmesine yardımcı olur. Tersine, model basit bir görevde zaten çok istikrarlıysa, benzer verileri yığmak azalan getiri sağlar.

Bu yüzden iyi bir veri yalnızca "formatı doğru" olmakla kalmaz. Temiz, yenilikçi, gerçek dünyaya uygulanabilir ve modelin ilerlemesini sürdürmesini sağlamalıdır. Sınırlı toplama kaynaklarını gerçekten robotu daha akıllı yapan verilere harcamak istiyoruz.

BlockBeats soruyor: Axis bir robot şirketi olduğuna göre neden blockchain teknolojisine ihtiyaç duyuyor? Axis Base zincirini seçti, nedenini detaylıca açıklayabilir misiniz?

Chris: Bu çok keskin ve önemli bir soru. Mantığımız basit: Axis öncelikle Physical AI'nın veri darboğazını çözüyor ve bunu çözmek için dünya genelinde çok sayıda sıradan katılımcının dahil olması gerekiyor. Blockchain teknolojisi ana aktör değil; daha çok kaynak takibi, doğrulama, teşvik ve dağıtım için kullanılan verimli bir temel araç seti gibidir.

Büyük dil modeli çağında, eğitim verileri büyük ölçüde bir "kara kutu"dur: verilerin nereden geldiği, nasıl işlendiği, katkıda bulunanların değerinin nasıl doğrulandığı dışarıdan net görülemez. Ancak Physical AI doğrudan robotların gerçek dünyadaki hareketleriyle ilgilidir; veri kalitesi güvenliği etkiler, bu yüzden bu kara kutu basitçe kabul edilemez.

Physical AI veri üretim sürecinin bir kısmını Base'e taşımamızın nedeni, bu işi daha şeffaf hale getirmek. Base, Ethereum üzerine inşa edilmiş düşük maliyetli bir blok zinciri ağıdır. Spesifik olarak, görev numaraları, veri izi numaraları, kullanıcı numaraları ve bunlar arasındaki ilişkiler kayıt altına alınır. Böylece her hareket izi ve her katkıda bulunan kişi takip edilebilir, denetlenebilir ve karşılık gelen teşvikleri alabilir.

Ayrıca, geniş topluluk kapsamına sahip ve katılım eşiği düşük bir ağa ihtiyacımız var. Base'in topluluğu oldukça küresel ve Base zincirinin kullanım maliyeti düşük, işlem onayı hızlı; bu da katkıları kaydetmemizi ve teşvikleri dağıtmamızı kolaylaştırıyor.

Daha da önemlisi, ödüllendirdiğimiz şey yalnızca miktar değil, yüksek kaliteli katkılardır. Robot modelleri için çöp veri sadece işe yaramaz değil, hatta zararlı olabilir. Çift katmanlı puanlama ve puan sistemi aracılığıyla bir verinin modele gerçekten yardımcı olup olmadığını belirliyoruz; katkı ne kadar iyi olursa, puan o kadar yüksek, ödül o kadar fazla olur. Base zincirinin verimliliği ve düşük maliyeti, bu tür yüksek frekanslı, mikro teşvikli küresel iş birliği ihtiyacımızla mükemmel şekilde örtüşüyor.

Robot veri döngüsünün bedelini kim ödeyecek?

BlockBeats sorusu: Axis'in mevcut ticarileşme yolu nedir? Robot veri toplama, model eğitimi ve gerçek dünya dağıtımı etrafında müşterilerinize başlıca hangi ürün veya hizmetleri sunuyorsunuz? Mevcut müşteriler bu modele nasıl bir geri bildirim verdi?

Chris: Ticarileşme yolumuz oldukça net; çekirdek olarak üç tür müşteriye hizmet veriyor ve her birinin sorunlarına göre uçtan uca çözümler sunuyoruz.

İlk kategori, robot donanımı ve gömülü yapay zeka şirketleridir; örneğin Booster Robotics, Feagine Robotics ve AgiBot. Kendi donanımlarına sahipler, ancak operasyon yeteneklerini tamamlamak için genellikle daha özelleştirilmiş verilere ve doğrudan dağıtılabilir modellere ihtiyaç duyuyorlar. Görev tasarımından başlayarak veri toplama, model eğitimi ve dağıtım konularında onlara yardımcı olabiliyor ve alt müşterilerine veri çözümleri sağlayabiliyoruz.

İkinci kategori, görsel-dil-eylem modelleri veya dünya modelleri üzerinde çalışan model şirketleridir; örneğin Manycore Tech ve SomaStacks. Dünya modellerinin işlevi, makine öğreniminin çevrenin nasıl değişeceğini anlamasını sağlamaktır. Genel modelleri eğitmek için büyük miktarda yüksek kaliteli operasyon verisine ihtiyaç duyuyorlar; biz de onlara yüksek kaliteli görev setleri ve veri setleri sağlıyor, birlikte ortak eğitim de yapabiliyoruz.

Üçüncü kategori, dikey sektör işletmeleridir; örneğin Lotus Cars ve Geely Automobile. Onların umurunda olan şey modelin ne kadar gelişmiş olduğu değil, robotların üretim hattına gerçekten nasıl entegre edileceğidir; bu yüzden onlara makine öğrenimi yöntemlerine dayalı uçtan uca otomasyon çözümleri sunuyoruz.

Sistem yeteneklerine büyük önem veriyoruz, bu nedenle teslimat yalnızca bir veri paketi değildir. Müşterinin neye ihtiyacı olduğunu ve iç yeteneklerimizin sınırlarının nerede olduğunu bilirsek, buna göre uyum sağlayabiliriz: hem veri sunabilir hem de veriye dayalı çözümleri birlikte teslim edebiliriz. Bu, müşterilere hizmet verme rekabet gücümüzü artırırken, müşterilerin verimliliğini ve kalitesini doğrudan iyileştirmelerine de yardımcı olur.

BlockBeats sorusu: Axis'in iş ortakları ve müşterileri kimlerdir? Farklı müşteriler Axis'e geldiğinde genellikle ne gibi ihtiyaçları oluyor?

Chris: Az önce bahsettiğim birkaç tür şirket, temsilci müşterilerimizdir. Hepsi yüzeyde "veri eksikliği" diyor, ancak gerçekte eksik olan şeyler aynı değil.

Örneğin, bir donanım üreticisi yeni ve oldukça iyi bir robot kol üretmiş olabilir, ancak müşteri sahasına gittiklerinde ışık değiştiğinde veya nesnelerin yerleşimi değiştiğinde robot doğru kavrayamıyor. Axis'e gelmelerinin asıl amacı şu sorunu çözmek: robotun daha fazla ortamda istikrarlı çalışmasını nasıl sağlarız?

Onlara verdiğimiz şey, karmaşık bir video yığını değil, çok boyutlu çeşitlilik üretimi, temizleme ve anlamsal etiketleme ile işlenmiş yapılandırılmış verilerdir. Gerektiğinde, strateji eğitiminde de doğrudan yardımcı oluruz. Nihai teslim edilecek sonuç, donanımlarının yapılandırılmamış ortamlarda daha istikrarlı ve daha genelleştirilebilir olmasını sağlamaktır.

BlockBeats sorusu: Platformun lansmanından bu yana, daha önce açıklanmamış gerçek operasyonel verileri paylaşabilir misiniz, örneğin geçerli kayıtlı katkıda bulunan sayısı, yayınlanan görev sayısı, toplam veri izi ve yüksek kaliteli kullanıcıların etkinliği ve katkı durumu?

Chris: Platformun lansmanından bu yana 15 hafta geçti ve toplam kayıtlı katkıda bulunan sayımız 80.000'i aştı. Bu sayı, bot hesapları ve geçersiz adresler çıkarıldıktan sonra gerçek ve geçerli verilerdir. Ön eğitim için toplam 1.600 makine öğrenimi görevi yayınladık ve 2 milyondan fazla veri izi topladık; bu da yaklaşık 3.500 saatlik yüksek kaliteli veriye denk geliyor.

Ancak bizim için daha önemli olan kullanıcı kalitesi ve bağlılıktır. Şu anda, yüksek kaliteli katkıda bulunanlar yaklaşık 20.000 kişi ve bu oran yaklaşık %30'dur. Son 30 günde, bu kullanıcı grubundan 7.800 kişi aktif kaldı; son 7 günde aktif olan 5.300 kişi var ve haftalık aktif/aylık aktif oranı %68'e ulaşıyor. Bu kullanıcılar son 30 günde 680.000 ve son 7 günde 160.000 veri izi katkısında bulundu.

Bu etkinlik ve katılım derinliği, kullanıcıların "eğitim katkıdır, katkı teşvik kazandırır" modeline olan ilgisini gösteriyor ve topluluğumuzun nispeten olgun ve istikrarlı bir robot zekası katkıda bulunan ağı oluşturduğunu da ortaya koyuyor.

4. Sektörün Gerçek Dönüm Noktası ve Axis'in Konumu

BlockBeats sorusu: Son iki yılda insansı robotlar, VLA ve Fiziksel Yapay Zeka oldukça popüler, ancak çoğu sıradan insan hâlâ robotları gerçekten kullanmıyor. Sence robotların büyük ölçekli patlamasına ne kadar kaldı? Gerçek dönüm noktası ne olacak: donanım maliyetlerinin düşmesi, model yeteneklerindeki sıçrama mı, yoksa veri altyapısının olgunlaşması mı?

Chris: Bizce gerçek dönüm noktası veri altyapısının olgunlaşmasıdır.

Donanım maliyetleri zaten hızla düşüyor. Çin tedarik zincirinin avantajı, robot üretim maliyetini artık ulaşılmaz bir engel olmaktan çıkardı. Peki neden sıradan insanlar hâlâ robotları büyük ölçekte kullanmıyor? Temel neden robotların yeterince akıllı olmaması; gerçek dünyanın fizik kuralları ve insan niyetleri hakkında yeterli sağduyu anlayışına sahip değiller.

Bu, düşük maliyetli bir araca sahip olmak gibi; motoru iyi ama ehliyeti yok ve hiç yola çıkmamış—sadece donanım ve algoritmalarla, yeterli "yol deneyimi" olmadan araba iyi sürülemez. Ancak bugün web sayfalarını kazıdığımız gibi, fiziksel dünyanın etkileşim verilerini düşük maliyetle ve ölçeklenebilir şekilde elde edip bunu modelin sindirebileceği besine dönüştürebildiğimizde, robotlar gerçekten patlama yapacak.

Bu dönüm noktasının giderek yaklaştığını düşünüyoruz ve Axis'in yapmak istediği şey onu bir adım daha ileri taşımak.

BlockBeats sorusu: Robot sektöründe, büyük model şirketleri ve komple makine şirketleri gelecekte kendi verilerini oluşturabilir. Bu veri oluşturma ekipleri ve Axis'in mevcut aynı alandaki rakipleri karşısında, Axis'in uzun vadeli savunma hendeği nedir? Katkıda bulunan ağı, görev üretme yeteneği, veri kalite kontrolü, müşteri senaryoları mı, yoksa kapalı döngü eğitim etkisi mi?

Chris: Bu çok kritik ve çok gerçekçi bir soru. Büyük model şirketleri ve komple makine üreticileri gelecekte kesinlikle kendi veri ekiplerini kuracak; bu neredeyse sektör gelişiminin kaçınılmaz bir sonucu. Ama gerçek rekabet, kimin kendi verisini toplayıp toplayamayacağı değil; kimin çapraz senaryolarda ölçeklenebilir ve sürekli optimize edilebilir bir veri altyapısı kurabildiğidir.

Kısa vadede herkes veri kapsamı ve çeşitliliği için yarışır; orta vadede veriyi model yeteneğine dönüştürme verimliliği için; uzun vadede ise müşterinin akıllı üretim sistemine gerçekten entegre olup kolayca değiştirilemeyen bir halka hâline gelebilen kazanır.

Axis'in savunma hendeği yalnızca tek bir nokta olmayacak; örneğin katkıda bulunan ağı, toplama verimliliği veya veri işleme yeteneği gibi. Tek nokta yetenekleri kopyalanabilir; biz daha çok bu yetenekleri sürekli güçlenen bir kapalı döngüye bağlamak ve yavaşça müşterinin eğitim sürecine entegre etmekle ilgileniyoruz.

Müşteriler için Axis'e bağlanmak oldukça hafif olmalıdır; karmaşık lisanslar gerektirmez, görevleri hızlıca yayınlayabilir ve verilere ulaşabilirler. Ancak müşteriler simülasyon varlık sistemimizi, dağıtık toplama ağımızı ve model hata düzeltme döngümüzü kullanmaya başladığında, iki tarafın eğitim süreçleri giderek birbirine kenetlenir. Bizi değiştirmek istediklerinde, müşteri yalnızca bir veri sağlayıcısını değiştirmekle kalmaz; simülasyon altyapısını yeniden kurmak, katkıda bulunanlar ağını, veri işleme hattını ve eğitim sonrası hata düzeltme süreçlerini yeniden inşa etmek zorunda kalır. Bizim savunma hendeğimiz kapalılık değil, bu yapısal yerleşikliktir.

Ayrıca modelle birlikte evrilme yeteneğine de büyük önem veriyoruz. Yalnızca veri satıyorsak, elbette her an ikame edilebiliriz; ancak modelin zayıf noktalarını sürekli tespit edebilir, hedefli görevler tasarlayabilir, eğitim sonrası hata düzeltme verileri sağlayabilir ve müşterinin başarı oranını ve sağlamlığını gerçekten artırabilirsek, model optimizasyon döngüsünün bir parçası haline geliriz. O zaman müşteriyle ilişkimiz yalnızca tedarikçi ve alıcı olmaktan çıkar, daha çok ortak inşa edenler gibi olur.

Önümüzdeki 18 ayda sektörde büyük ölçekli, geniş kapsamlı verilere ciddi ihtiyaç olacak; hacim ve çeşitlilik hâlâ temel unsurlar. Sonraki üç yılda ise sektörün belirli alanlara ve belirli senaryolara yönelik uzmanlaşmış verilere daha çok ihtiyacı olabilir. Gerçekten biriktirmek istediğimiz varlık belirli bir veri türü değil; programlanabilir bir görev üretim sistemi, ölçeklenebilir dağıtık katkı ağı ve sürekli optimize edilen bir eğitim döngüsüdür. Bu sistem hem yatay olarak daha fazla sektöre genişleyebilir hem de dikey olarak tek bir dikey alana derinlemesine inebilir.

Tek bir cümleyle özetlemek gerekirse: kısa vadede ölçek, orta vadede verimlilik, uzun vadede yerleşiklik rekabeti. Axis'in hedefi, Physical AI akıllı üretim sisteminin bir parçası olmak; kolayca ikame edilebilir bir veri sağlayıcısı değil.

BlockBeats sorusu: Finansman sonrası 6-12 ayda Axis'in en önemli görevi ve hedefi nedir? Veri ölçeğini genişletmeye devam etmek mi, daha fazla gerçek robot görevini doğrulamak mı, yoksa daha fazla ücretli müşteri kazanmak mı? Bir yıl sonra geriye bakıldığında, dış dünyanın Axis'i hangi anahtar kelimelerle tanımlamasını istersiniz?

Chris: Önümüzdeki 6 ila 12 ayda ürün, ekosistem ve ticarileşmeyi aynı anda ilerleteceğiz.

Ürün tarafında, V2 bizi tek yönlü toplama platformundan tam bir eğitim döngüsüne taşıdı; şimdi yapılacak şey bu sistemi gerçekten çalıştırmak ve ölçeklendirmek. Eylül'de birinci şahıs perspektifli veri toplama hattını daha da yaygınlaştıracağız; şu ana kadar on binlerce saatlik veri biriktirdik ve Kuzey Amerika'daki öncü model laboratuvarlarıyla ihtiyaçları görüşüyoruz. Ekim civarında veri setinin V2 sürümünü yayınlamayı planlıyoruz; bu sürüm daha fazla robot formunu ve temel yeteneği kapsayacak. Yıl sonundan önce ilk büyük ölçekli Human-Gated DAgger eğitim sonrası veri setini yayınlayacağız.

Ekosistem tarafında, küresel ağımızı genişletmeye devam edeceğiz ve Latin Amerika ile Avrupa pazarlarına gireceğiz. Önümüzdeki 6 ila 12 ay içinde, birinci şahıs verilerinin istikrarlı günlük üretim kapasitesini 500 saatin üzerinde tutmayı, simülasyon verilerinin günlük üretim kapasitesini 50 saatin üzerine çıkarmayı ve DAgger sonrası eğitim verisi üretim kapasitesini kademeli olarak genişletmeyi hedefliyoruz.

Ticarileştirme tarafında, yıl sonuna kadar 2 ila 3 yeni ücretli pilot projeyi tamamlamayı ve yıl başında temel model şirketlerinin tercih edilen tedarikçi listesine girmeyi hedefliyoruz.

Bir yıl sonra geriye baktığımızda, herkesin Axis'i "ölçek, çeşitlilik, kapalı döngü" olmak üzere üç kelimeyle tanımlamasını umuyoruz. Ölçek, sektör düzeyinde sürekli veri tedariki sağlayabilmemizdir; çeşitlilik, gerçek dünyanın karmaşıklığını gerçekten kapsayabilmemizdir; kapalı döngü ise yalnızca veri üretmekle kalmayıp, modelin eksikliklerine göre sürekli optimizasyon yapabilmemizdir.

Daha da önemlisi, sektör Axis'ten bahsettiğinde şunu söylemesini umuyoruz: "Bu, robot modellerinin evrimini hızlandıran bir sistem." Çözdüğümüz sorun yalnızca veri miktarı değil, aynı zamanda model evrim verimliliğidir. Müşteriler Axis'e bağlandığında model yinelemeleri daha hızlı, başarı oranları daha yüksek ve senaryo kapsamı daha geniş oluyorsa, değerimiz tam da budur.

BlockBeats Resmi Topluluğuna Katılın:

Telegram Abonelik Grubu: https://t.me/theblockbeats

Telegram Sohbet Grubu: https://t.me/BlockBeats_App

Twitter Resmi Hesabı: https://twitter.com/BlockBeatsAsia